[发明专利]一种基于多接受野的交替更新网络的场景分割方法

权利要求书

1.一种基于多接受野的交替更新网络的场景分割方法，其特征在于，包括以下步骤：

S1、将输入图像通过一个预训练好的卷积神经网络，进行特征图的提取；

S2、通过预训练好的集合网络空洞金字塔模块，得到包含高层语义信息的特征图；

S3、在步骤S2中得到的特征图的基础上对逐个像素计算分类的损失，获得分割热图。

2.根据权利要求1所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，在所述步骤S1中提取得到的特征图为输入图像上经过1/8降采样得到的特征图。

3.根据权利要求1所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，对在步骤S2中得到的特征图按照取值为8的上采样率进行上采样。

4.根据权利要求1所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，所述集合网络空洞金字塔模块具有扩张卷积核，在特征图输入时，输入特征逐层进行卷积计算，并作为输入拼接在该所述集合网络空洞金字塔模块中的其他神经层中。

5.根据权利要求4所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，在同一个所述集合网络空洞金字塔模块的任意两个网络层中，其信息流包括前传部分和后传部分，通过其后面的网络层级输出对前面的层级输出进行优化。

6.根据权利要求5所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，所述集合网络空洞金字塔模块内的前传部分，其相邻两层之间进行空洞卷积，通过多尺度扩张核提取多尺度的特征。

7.根据权利要求6所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，在空洞卷积的过程中，其表达式为：

其中，x[i]为输入，w[k]为卷积核的第k个参数，K是卷积核的大小，d为扩张率，y[i]则是经过空洞卷积之后的输出特征像素。

8.根据权利要求7所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，在所述集合网络空洞金字塔模块中网络层参数的更新分为两个阶段，在第一阶段中，相邻的网络层的卷积为空洞卷积，在该第一阶段中每一层输出的表达式为：

其中，d_l代表第l层的扩张率，[y_l-1,y_l-2,…,y₀]表示将l层之前的所有层的输出都连接起来的操作，H表示对拼接后的所有层进行非线性变换操作，每个网络层的输出特征数相同；

在第二阶段中，用前面刚更新的3个层的输出作为输入去更新相应的权值，交替更新的第i层和第j个循环的表达式为：

其中K≥2，W*Y表示卷积操作，W⊙Y表示空洞卷积操作，H(·)为非线性变换函数，取为：BN+ReLU+Conv(3*3)，每一个神经层的输出设置了用于使每一层输出都有相同的特征数的生长率。

9.根据权利要求8所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，空洞卷积采用扩张率大小不同的卷积核进行叠加，其接受野的计算公式为：R(d,K)＝(d-1)×(K-1)；

其中，d为扩张率，而K为卷积核的大小。

10.根据权利要求9所述的基于多接受野的交替更新网络的场景分割方法，其特征在于，最大接受野的计算公式为：R_max＝max{R_d01,K01,R_d12,K12,R_d23,K23,R_d34,K34,R_d41,K41}；其中d_ij表示第从第i层到第j层空洞卷积核的扩张率，而K_ij表示第从第i层到第j层未扩张之前的卷积核的大小。